古有算盘，今有计算机，人工智能（Artificial Intelligence，AI）始终是人类永恒又美好的梦想。然而，漫漫的历史长河中人类前仆后继，虽然计算机技术已经取得了长足的进步，然而仍然没有一台机器产生真正的“自我”意识。谷歌大脑认出猫和狗，阿法狗打败了李世石，智能车拉着我们去兜风……尽管深度学习（Deep Learning）让 AI 在近期取得了诸多突破，但人工智能始终还是离不开“人工+智能”，离不开大量的人工标定数据去指导智能系统的学习。

ImageNet，COCO，Places，我们为了智能而不断人工，为了一劳永逸而不断地标定数据。然而，atv，这并不是人类的最终梦想——不劳而获。直到 Science 封面文章 Bayesian Program Learning（BPL，《Human-level concept learning through probabilistic program induction》），像人类一样学习的人工智能又引爆了人类曾经的梦想，Google DeepMind 的新成果 Memory-Augmented Neuaral Networks（MANN,《One-shot Learning with MemoryAugmented Neuaral Networks》）让梦想又朝现实迈进了一步。  

懒惰是人类社会进步的原动力，单点学习（One-Shot learning）的目标是不劳而获。不同于传统机器学习方法需要大量数据去学习和反复的训练，One-Shot 通过单一的训练样本去学习并做出准确的预测。然而，One-Shot learning 是一个永恒的挑战。由于现有的机器学习模型参数量庞大，小样本下很难在巨大的搜索空间中找到刻画本质属性的最优解。

因此当遇到新的任务（Task）时，传统学习算法只能通过新任务的大量样本低效率地去调整（finetuning）原有模型，以保证在杜绝错误干扰（Catastrophic Interference）的情况下将新信息充分涵括。BPL 从认知科学的角度，基于贝叶斯过程模拟人类学习思路；MANN 从神经科学的角度，基于记忆神经网络构造仿生学习模型。相比于贝叶斯过程学习（BPL），记忆增强神经网络(MANN)将 One-shot Learning 从应用驱动型推向数据驱动型，从已有数据出发去主动挖掘One-shot Learning的方法。通过关注存储内容的外部记忆机制快速吸收新知识，并且仅利用少数几个例子就可以从数据中做出准确预测。 

一、人的学习—记忆与学习（Memory & Learning）

从神经科学的角度来说，学习（Learning）定义为将经验（Experience）编码进记忆（Memory）的过程。鱼的记忆只有 7 秒，没有记忆的学习不是智能，鱼永远是只能在水里游的鱼。学习形成了不同类型的记忆：形象记忆（以感知过的事物形象为内容），情绪记忆（以过去体验过的情感为内容），逻辑记忆（是以概念命题为内容），动作记忆（以操作性行为为内容）……记忆指导学习，学习增强记忆。人类从刀耕火种，婴儿从呱呱落地，“学习→ 记忆→学习”贯穿着社会与个体。对于社会，古书典籍让经验得到记忆；对于个体，大脑皮层让知识得到记忆。           

人的学习过程中（如下图），大脑对外部环境进行感知，注意机制对感兴趣的信息保持关注；在工作记忆中，新知识在旧知识的基础上通过检索被快速建立起来；而后经过神经元的加工整理，形成难被遗忘的长时记忆。由此，人不断地从生活经验中建立并整合知识，开奖，从而学会处理日益复杂的任务。在持续不断的学习过程中，对以往知识检索利用，使得人们只需要少量的训练就能快速地学会新的任务。综上，一个真正的智能系统应具备以下两方面的作用:

（1）在长时记忆系统中建立一个可检索的知识库；

（2）在交互过程中持续不断的整合更新知识库。

二、MANN——学会学习（Learning to Learn）

埃德加?福尔在《学会生存》中指出：“未来的文盲不再是不认识字的人，而是没有学会怎样学习的人 。 ”学会学习（Learning to Learn）不仅仅是教育界面临的问题，也是机器学习中面临的问题：未来的智能不再是能干活的机器，而是学会怎样学习的机器。“学会学习” 中的“学习”即为元学习（Meta-learning）。行为学意义上认为元学习是学习行为本身的改变；信息学意义上认为元学习是关于获取知识和经验的学习。人工智能意义上的元学习一般指的是一种迁移学习（Transfer Learning）方案，通过已有的知识辅助新知识的学习，照着葫芦画瓢，照着猫画老虎。可规模化的元学习方案应满足以下两个要求：

（1）知识必须以稳定且可寻址的方式存储；